基于遗传算法的双子支持向量机的模型选择

双子支持向量机是在支持向量机的基础上提出的一种新的机器学习方法。与传统支持向量机相比,双子支持向量机寻找的是一对不平行的超平面,计算效率是传统支持向量机的4倍。然而,双子支持向量机的参数较多,在应用过程中存在较大局限性。在研究了惩罚参数和核参数对双子支持向量机分类性能影响的基础上,利用遗传算法来选择双子支持向量机的参数,避免了盲目的模型选择。实验结果显示,所提算法能有效选择合适参数,获得的参数能使双子支持向量机具有较好的泛化性能,同时也更加高效。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于改进的支持向量机的脱机中文签名验证

采用支持向量机算法来验证脱机中文签名。针对支持向量机算法的不足,将粗糙集和支持向量机相结合,利用粗糙集理论对数据属性进行约简,在某种程度上减少支持向量机求解的计算量。不但避免了特征提取中维数灾问题,还有效改善了训练时间。实验结果表明：粗糙集和支持向量机算法应用于离线签名识别,在相同条件下的识别效果优于支持向量机算法。     

超平面支持向量机简化性能分析

与传统支持向量机相比,针对复杂分类问题的超平面支持向量机和针对高噪声数据回归问题的回归型超平面支持向量机,具有支持向量少、测试速度快、计算精度高的优点。然而对不同的样本集,超平面支持向量机的简化效果有所不同,仔细分析了这一现象的原因,得出在支持向量中非约束支持向量所占比率越低则超平面支持向量机简化效果越明显的结论。     

基于K最近邻的支持向量机快速训练算法

传统支持向量机训练大规模样本时间和空间开销大,使其应用受到了很大限制。为了提高支持向量机的训练速度,根据支持向量机的基本原理,应用K最近邻思想来筛选训练样本集,提出了基于K最近邻的支持向量机快速训练算法(KNN-SVM)。算法首先选取一部分最有可能成为支持向量的样本——边界向量,然后用边界向量集代替训练样本集进行支持向量机训练,大幅度减少了训练样本的数量,使支持向量机的训练速度显著提高。同时,由于边界向量包含了支持向量,因此,支持向量机的分类能力没有受到影响。仿真实验结果表明,与传统支持向量机相比,在分类精度相同的情况下,算法能够有效地提高支持向量机的训练速度,而且还可以提高支持向量机的分类速度和推广能力。     

基于蚁群支持向量机的模拟电路故障诊断

针对人为选择支持向量机参数的随机性和盲目性,将蚁群算法的全局收敛和并行计算的特点引入到支持向量机参数的优化中,建立了基于蚁群算法优化支持向量机参数的模型,使两种算法的优点有机结合,通过对支持向量机的惩罚因子和核函数参数进行优化,使支持向量机分类效果达到最好,并与遗传支持向量机模型比较,结果表明:蚁群算法优化支持向量机参...     

复杂分类问题支持向量机的简化

对于复杂分类问题,不可避免的会有错分情况,此时支持向量机的支持向量较多,影响了识别速度.为了解决这个问题,我们提出了基于最小错分间隔的分类思想,并在此基础上得出了一种新的简化支持向量机.与普通支持向量机相比,这种简化支持向量机有较少的支持向量、较高的识别速度,而且实验结果表明,它的识别精度完全可以与普通支持向量机的识别精度相媲美,甚至更优.     

基于RSVM的异常入侵检测系统

首先介绍了支持向量机及Robust支持向量机的分类算法，提出了Robust支持向量机的入侵检测的模型；并利用研究入侵检测系统的MIT’s Lincoln实验室1998年收集DARPA BSM的数据集，对Robust支持向量机和普通的支持向量机的性能进行了比较。     

支持向量机学习算法的研究现状与展望

回顾了支持向量机理论的发展历程,介绍了支持向量机的标准训练算法及其分解算法、变形算法、几何算法以及多类分类算法,重点描述了最小二乘支持向量机算法,总结了支持向量机理论及其应用的现状,对支持向量机的未来发展方向进行了展望。     

基于分段核函数的支持向量机及其应用

支持向量机兼顾训练误差和推广性能,已受到机器学习领域的高度重视,而核函数的性能是支持向量机研究中的关键问题。研究了几种常见核函数对支持向量机推广性能的影响,并利用全局核函数和局部核函数的性质,提出了一种新的分段核函数的支持向量机。数据集上的仿真结果表明,该核函数对应的支持向量机泛化能力优于传统核函数对应的支持向量机,具有较好的预测性能。     

基于支持向量机的说话人辨认研究

支持向量机是统计学理论的一个重要的学习方法，也是解决模式识别问题的一个有力的工具，本文提出了用支持向量机来解决说话人辨认问题。结合语音信号的特点，解决了大数据量情况下支持向量机的训练问题。支持向量机对两类的分类问题有着突出的优势，本文用两种判决规则将两类问题应用到多类的识别问题。用支持向量机实现了一个与文本无关的说话人辨认系统，实验表明，本方法有良好的效果。     

基于MFCC和二乘向量机的话者识别系统

讨论了以二次等式约束条件为基础的一种改进的向量机即最小二乘向量机(LSSVM)算法,用其对话者进行识别,并与传统的支持向量机(SVM)进行了识别比较。实验中,采用美尔倒谱系数(MFCC)作为话者语音特征参数。实验表明,基于LSSVM的话者识别比传统的SVM话者识别计算复杂度小,训练时间短,效率更高;同时,识别率也有一定的提高,对话者识别有很强的适应性。     

基于支持向量机的说话人识别研究

说话人识别技术的研究是智能信息处理的研究热点问题之一。支持向量机是统计学习理论的一个重要学习方法,也是解决模式识别问题的一个有力工具。介绍了模式识别的分类原理,提出基于支持向量机的说话人识别模型。通过把所得到的结果与原有VQ模型的试验结果相比较,表明该方法具有较高的识别准确率。     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

应用SVM算法进行TM多光谱图像地物分类

SVM算法是近年来统计模式识别领域流行的算法。因为有统计学习理论（SLT）作为基础,SVM算法具有良好的计算有效性、健壮性和统计稳定性,被广泛地应用在图像识别、语音识别、文字识别等多种模式识别领域。TM多光谱遥感图像的地物分类一直是遥感图像处理领域比较困难的问题。现尝试应用SVM算法对北京市怀柔水库附近地区的地物进行分类,收到了较好的效果。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

基于GMM的实时说话人识别系统

介绍了一个基于GMM实时说话人识别系统的设计与实现,系统具有实时说话人辨认和实时说话人确认功能。在实验室条件下,对不同的高斯混合密度个数及采样率进行了测试,测试了模型的自适应性能。实验表明系统具有较好的识别准确率。     

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

基于分类特征映射的SVM话者确认

为了解决与文中无关的话者确认,大量训练样本数据所导致的建立支持向量机SVM（SupportVectorMachine）话者模型困难,文中提出了一种基于基音分类特征映射和支持向量机的话者确认系统,首先根据基音周期将语音倒谱参数在特征空间上分类,再利用GMM-UBM结构进行特征映射,获得每个特征子空间中的话者特征参数并建立SVM话者模型。基音分类特征映射不仅使得样本数据极大地压缩,而且让子空间中SVM分类界面具有更好的区分性,因此,对各分类子系统评分融合之后的总系统具有更好话者确认性能。在NIST’06数据库上的实验证明了该方法的有效性。     

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。